CN116630081B - 采油井氮气前置增能降粘增产方法 - Google Patents

采油井氮气前置增能降粘增产方法 Download PDF

Info

Publication number
CN116630081B
CN116630081B CN202310917475.6A CN202310917475A CN116630081B CN 116630081 B CN116630081 B CN 116630081B CN 202310917475 A CN202310917475 A CN 202310917475A CN 116630081 B CN116630081 B CN 116630081B
Authority
CN
China
Prior art keywords
crude oil
scale
feature map
enhanced
nitrogen
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310917475.6A
Other languages
English (en)
Other versions
CN116630081A (zh
Inventor
臧强
杨刚
卢智敏
方贺
芦学惠
周龙跃
史永祥
哈尔恒·吐尔松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xinjiang Huayi Energy Development Co ltd
Xinjiang Oilfield Heiyoushan Co ltd
Original Assignee
Xinjiang Huayi Energy Development Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xinjiang Huayi Energy Development Co ltd filed Critical Xinjiang Huayi Energy Development Co ltd
Priority to CN202310917475.6A priority Critical patent/CN116630081B/zh
Publication of CN116630081A publication Critical patent/CN116630081A/zh
Application granted granted Critical
Publication of CN116630081B publication Critical patent/CN116630081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
    • E21B43/166—Injecting a gaseous medium; Injecting a gaseous medium and a liquid medium
    • E21B43/168—Injecting a gaseous medium
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B43/00—Methods or apparatus for obtaining oil, gas, water, soluble or meltable materials or a slurry of minerals from wells
    • E21B43/16—Enhanced recovery methods for obtaining hydrocarbons
    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
    • E21B47/00—Survey of boreholes or wells
    • E21B47/002—Survey of boreholes or wells by visual inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Theoretical Computer Science (AREA)
  • Geology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geochemistry & Mineralogy (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Agronomy & Crop Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Geophysics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)

Abstract

公开了一种采油井氮气前置增能降粘增产方法。其首先获取由摄像头采集的近井地带原油的原油拍摄图像，接着，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图，然后，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。这样，可以基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。

Description

采油井氮气前置增能降粘增产方法
技术领域
本公开涉及石油开采领域，且更为具体地，涉及一种采油井氮气前置增能降粘增产方法。
背景技术
采油井是将地下的石油资源输送到地面的通道，是石油勘探和生产过程中的重要组成部分，通过它们可以实现石油资源的有效开采和利用。
目前，一些采油井的近井地带原油粘度较大，地层堵塞严重，使得原油流动受阻或无法正常流出。通过氮气可以辅助对地层进行增能，配合降粘剂作用，起到原油降粘、地层补能解堵的作用。也就是说，可以通过使用降粘剂和注入氮气的方法来进行降粘增产。
在实施该方法之前，需要准确估计所需的降粘剂和氮气用量。传统上，估计降粘剂和氮气用量通常是通过经验公式或试验数据进行估算的。但是，经验公式和试验数据是基于特定条件下的情况得出的，可能无法准确适用于其他地区或不同的油藏。因此，期待一种解决方案。
发明内容
有鉴于此，本公开提出了一种采油井氮气前置增能降粘增产方法，其可以基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。
根据本公开的一方面，提供了一种采油井氮气前置增能降粘增产方法，其包括：获取由摄像头采集的近井地带原油的原油拍摄图像；对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图；以及基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。
根据本公开的实施例，其首先获取由摄像头采集的近井地带原油的原油拍摄图像，接着，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图，然后，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。这样，可以基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。
在上述采油井氮气前置增能降粘增产方法中，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图，包括：对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像；以及对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图。
在上述采油井氮气前置增能降粘增产方法中，对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像，包括：对所述原油拍摄图像进行双边滤波以得到所述增强原油拍摄图像。
在上述采油井氮气前置增能降粘增产方法中，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图，包括：将所述增强原油拍摄图像通过基于第一卷积神经网络模型的原油浅层特征提取器以得到原油浅层特征图；将所述原油浅层特征图通过基于第二卷积神经网络模型的原油深层特征提取器以得到原油深层特征图；以及融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图。
在上述采油井氮气前置增能降粘增产方法中，融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图，包括：使用残差思想来融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图。
在上述采油井氮气前置增能降粘增产方法中，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值，包括：将所述原油多尺度特征图通过通道注意力模块以得到增强原油多尺度特征图；对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图；以及基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值。
在上述采油井氮气前置增能降粘增产方法中，对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图，包括：以如下优化公式对所述增强原油多尺度特征图进行特征分布优化以得到所述优化增强原油多尺度特征图；其中，所述优化公式为：其中，/>为所述增强原油多尺度特征图的沿通道维度的第/>个特征矩阵，/>和/>分别为基于所述增强原油多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示按位置点乘，/>表示矩阵乘法，且/>为优化后的所述优化增强原油多尺度特征图的沿通道维度的第/>个特征矩阵。
在上述采油井氮气前置增能降粘增产方法中，基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值，包括：将所述增强原油多尺度特征图通过第一解码器以得到第一解码值，所述第一解码值用于表示所述降粘剂用量估计值；以及将所述增强原油多尺度特征图通过第二解码器以得到第二解码值，所述第二解码值用于表示所述氮气用量估计值。
本申请提供一种采油井氮气前置增能降粘增产方法，其可以基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的流程图。
图2示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的架构示意图。
图3示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的子步骤S120的流程图。
图4示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的子步骤S122的流程图。
图5示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的子步骤S130的流程图。
图6示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的子步骤S133的流程图。
图7示出根据本公开的实施例的采油井氮气前置增能降粘增产系统的框图。
图8示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
如背景技术部分所言，目前，一些采油井的近井地带原油粘度较大，地层堵塞严重，使得原油流动受阻或无法正常流出。其原因可能是在长期采油过程中，油井中会产生沉积物、砂粒等杂质，导致油井堵塞，或者，在高温高压的条件下导致原油中的蜡质变得更加粘稠，增加了原油的粘度。此时，需要对采油井进行降粘增产。
通过氮气可以辅助对地层进行增能，配合降粘剂作用，起到原油降粘、地层补能解堵的作用。其原因在于，氮气在注入油井中会发生物理和化学反应，从而改变油井内部的物理性质。其中一个重要的作用是降低原油的粘度。原油的粘度决定了其流动性，粘度越大，流动性越差。通过注入氮气，可以降低原油的粘度，使其更容易流动，从而增加油井的产量。同时，氮气可以以高压形式注入到井中，通过压力释放能量。当氮气进入井筒时，其压力会逐渐增加，产生压力差，从而驱动油井中的油向井口流动。这种压力释放的能量可以增加油井的产量。值得一提的是，降粘剂是一种用于降低液体黏度的化学物质，在石油工业中，降粘剂常用于处理高粘度的原油，以提高其流动性和减少输送过程中的能耗。需要注意的是，不同类型的原油和工艺条件可能需要不同种类和浓度的降粘剂，因此在使用降粘剂之前，需要进行实验室测试和工艺优化，以确定最适合的降粘剂和使用方法。
值得一提的是，将氮气以高压形式注入到井中可以通过下述步骤实现：1.准备氮气供应系统：确保有一个氮气供应系统，可以提供足够的氮气，并具备高压供气能力，这可能涉及到氮气储存和增压设备；2.准备注入设备：选择合适的注入设备，如氮气泵或氮气压力容器，确保设备能够承受高压，并具备适当的安全措施；3.连接注入设备：将氮气供应系统与注入设备连接起来，确保氮气能够顺利地流入注入设备；4.准备井口：确保井口设备和管道具备足够的强度和密封性，以承受高压氮气的注入；5.控制注入流量和压力：根据需要，调整注入设备的流量和压力，以满足注入需求，这可能需要使用调节阀或其他控制装置；6.开始注入：在准备工作完成后，开始将氮气以高压形式注入到井中，确保注入过程中安全可靠，并根据需要监测注入压力和流量。这里，可以使用压力传感器或压力表来测量注入设备的出口压力，这些传感器通常会连接到注入设备的压力输出口或管道上，以确保选择适用于所需压力范围的传感器，并确保其准确性和可靠性；可以使用流量计来测量氮气的注入流量，流量计可以是体积流量计或质量流量计，体积流量计通常基于测量气体通过设备的容积或体积变化来确定流量，质量流量计则基于测量气体的质量来确定流量，选择适用于所需流量范围的流量计，并确保其准确性和可靠性。并且，可以使用数据记录设备或监测系统来记录和监测注入压力和流量的变化，这可以是手动记录仪表读数，或者是使用自动数据采集系统来实时记录和监测数据，这样可以确保对注入过程进行有效的控制和监控，并留下可追溯的记录。
而在实施该方法之前，需要准确估计所需的降粘剂和氮气用量。由于传统的经验公式和试验数据是基于特定条件下的情况得出的，可能无法准确适用于其他地区或不同的油藏。对此，本公开的技术构思为：基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。
图1示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的流程图。图2示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的架构示意图。如图1和图2所示，根据本公开实施例的采油井氮气前置增能降粘增产方法，包括步骤：S110，获取由摄像头采集的近井地带原油的原油拍摄图像；S120，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图；以及，S130，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。应可以理解，在步骤S110中，可以使用工业摄像头或者高清摄像头进行拍摄。工业摄像头通常具有耐用性和适应恶劣环境的特点，能够在高温、高压、灰尘等条件下正常工作，它们通常具有防爆、防水、防尘等功能，适合用于油井等工业场景；高清摄像头则可以提供更清晰、细节更丰富的图像，有助于准确捕捉原油的特征，高清摄像头通常具有较高的分辨率和图像质量。
具体地，在本公开的技术方案中，首先，获取由摄像头采集的近井地带原油的原油拍摄图像，并对所述原油拍摄图像进行双边滤波以得到增强原油拍摄图像。
接着，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图。也就是，从所述增强原油拍摄图像中提取不同层次的特征信息，即原油浅层特征信息和原油深层特征信息。
在本公开的一个具体示例中，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图的编码过程，包括：先将所述增强原油拍摄图像通过基于第一卷积神经网络模型的原油浅层特征提取器以得到原油浅层特征图；再将所述原油浅层特征图通过基于第二卷积神经网络模型的原油深层特征提取器以得到原油深层特征图；然后，使用残差思想来融合所述原油浅层特征图和所述原油深层特征图以得到原油多尺度特征图。
相应地，如图3所示，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图，包括：S121，对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像；以及，S122，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图。
更具体地，在步骤S121中，对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像，包括：对所述原油拍摄图像进行双边滤波以得到所述增强原油拍摄图像。值得一提的是，双边滤波是一种常用的图像滤波算法，用于平滑图像并减少噪声，它与传统的均值滤波或高斯滤波相比具有更好的保边效果。传统的滤波算法会根据像素周围的邻域像素值来计算平均值或加权平均值，然后用该值来替代中心像素的值，然而，这种滤波方法可能会模糊边缘信息，导致图像失真。而双边滤波则考虑了像素之间的空间距离和像素值之间的差异。它使用两个权值函数，一个是空间权值函数，用于衡量像素之间的距离，另一个是像素值权值函数，用于衡量像素值之间的相似度，通过这两个权值函数的组合，双边滤波可以在平滑图像的同时保留边缘信息。双边滤波的计算复杂度相对较高，但在很多图像处理任务中表现出良好的效果，例如图像去噪、边缘保留、图像增强等。在这里，在原油图像处理中使用双边滤波有以下几个作用：1.去除噪声：原油图像可能会受到各种噪声的干扰，如高斯噪声、椒盐噪声等，双边滤波可以有效地去除这些噪声，提高图像质量和清晰度；2.平滑图像：原油图像中可能存在一些细微的纹理或不规则性，双边滤波可以平滑这些细节，使图像更加均匀和连续；3.保留边缘特征：原油图像中的边缘信息对于分析和处理非常重要，传统的平滑滤波器可能会模糊边缘，导致信息丢失，而双边滤波可以在平滑图像的同时保持边缘的清晰度，有效地保留边缘特征；4.增强图像细节：双边滤波可以增强图像的细节信息，使得图像更加清晰和丰富，这对于后续的图像分析和处理任务非常有帮助。双边滤波在本公开的技术方案中的主要作用是去除噪声、平滑图像、保留边缘特征和增强图像细节，从而提高图像的质量和可分析性。
更具体地，在步骤S122中，如图4所示，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图，包括：S1221，将所述增强原油拍摄图像通过基于第一卷积神经网络模型的原油浅层特征提取器以得到原油浅层特征图；S1222，将所述原油浅层特征图通过基于第二卷积神经网络模型的原油深层特征提取器以得到原油深层特征图；以及，S1223，融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图。
应可以理解，在步骤S122中，使用了基于第一卷积神经网络模型和第二卷积神经网络模型的原油特征提取器来提取原油图像的多尺度特征。第一卷积神经网络模型是一个用于提取原油图像浅层特征的卷积神经网络模型。卷积神经网络（Convolutional NeuralNetwork，CNN）是一种深度学习模型，具有良好的图像特征提取能力。第一卷积神经网络模型在原油图像上运行，提取出原油的浅层特征图，这些浅层特征可以捕捉到原油图像的一些基本纹理、形状和颜色等特征。第二卷积神经网络模型是一个用于提取原油图像深层特征的卷积神经网络模型，与第一卷积神经网络模型相比，第二卷积神经网络模型具有更深的网络结构，并且能够学习到更抽象和高级的特征表示。第二卷积神经网络模型在原油图像的基础上运行，提取出原油的深层特征图，这些深层特征可以捕捉到原油图像的更高级的语义信息和抽象特征。通过融合第一卷积神经网络模型提取的浅层特征图和第二卷积神经网络模型提取的深层特征图，可以得到原油的多尺度特征图。这样做的目的是综合利用不同层次的特征信息，以更全面、准确地描述原油图像的特征，这些多尺度特征图可以用于后续的原油图像分析和处理任务，如分类、检测、分割等。
更具体地，在一个具体示例中，融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图，包括：使用残差思想来融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图。应可以理解，残差思想是指在深度学习中，通过学习残差（即输入与期望输出之间的差异）来提高模型的性能，在残差网络中，模型的输出是输入与残差的和，这种思想可以帮助模型更好地学习输入和输出之间的映射关系，尤其在处理深层网络时效果显著。在这个示例中，原油浅层特征图和原油深层特征图被视为两个输入，通过残差思想，将原油浅层特征图与原油深层特征图相加，得到原油的多尺度特征图，这种融合方法可以帮助模型更好地捕捉到原油图像中的细节和上下文信息，并提高特征的表达能力。使用残差思想融合多尺度特征有助于提高原油图像处理的性能，例如在分类、检测或分割任务中，可以更准确地识别和定位原油图像中的特征或目标。同时，残差思想还可以帮助减轻梯度消失问题，使深层网络更易于训练和优化。
进一步地，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。在本公开的实施例中，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值的实现过程为：先将所述原油多尺度特征图通过通道注意力模块以得到增强原油多尺度特征图；然后，将所述增强原油多尺度特征图通过第一解码器以得到第一解码值，所述第一解码值用于表示降粘剂用量估计值；再将所述增强原油多尺度特征图通过第二解码器以得到第二解码值，所述第二解码值用于表示氮气用量估计值。
相应地，如图5所示，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值，包括：S131，将所述原油多尺度特征图通过通道注意力模块以得到增强原油多尺度特征图；S132，对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图；以及，S133，基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值。
值得一提的是，通道注意力模块（Channel Attention Module）是一种用于增强图像特征的技术，它通过对不同通道的特征图进行加权，使得网络能够更加关注重要的特征通道，从而提高图像处理任务的性能。通道注意力模块的作用是学习通道之间的相互关系，并根据通道的重要性对它们进行加权。在原油图像处理中，通过将原油多尺度特征图输入通道注意力模块，可以得到增强的原油多尺度特征图，这个增强的特征图能够更好地捕捉原油图像中的关键信息，提高后续任务的准确性和性能。通道注意力模块通常由两个主要组件组成：全局平均池化和全连接层。全局平均池化用于将每个通道的特征图转换为一个标量值，表示该通道的重要性。全连接层则用于学习通道之间的权重，将重要的通道加权求和得到最终的增强特征图。通过通道注意力模块，可以提高原油图像处理中的特征表示能力，增强图像特征的表达能力，从而提高降粘剂用量和氮气用量的估计精度。
在本公开的技术方案中，由于所述原油浅层特征图和所述原油深层特征图分别表达所述原油拍摄图像的浅层和深层图像语义特征，其沿通道维度的特征分布并不完全一致，由此在使用残差思想来融合所述原油浅层特征图和所述原油深层特征图后，得到的所述原油多尺度特征图的各个特征矩阵间存在特征分布差异，并且，考虑到通道注意力模块通过沿通道对于特征矩阵进行整体加权来强化某些通道位置下的分布，因此所述增强原油多尺度特征图的各个特征矩阵间的特征分布差异更加显著，使得所述增强原油多尺度特征图的流形几何连续性差，影响其通过解码器得到的解码值的准确性。因此，本公开的申请人针对所述增强原油多尺度特征图的沿通道维度的每个特征矩阵，例如记为，进行特征图的通道维度遍历流形式凸优化。
相应地，在一个具体示例中，对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图，包括：以如下优化公式对所述增强原油多尺度特征图进行特征分布优化以得到所述优化增强原油多尺度特征图；其中，所述优化公式为：其中，/>为所述增强原油多尺度特征图的沿通道维度的第/>个特征矩阵，/>和/>分别为基于所述增强原油多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，即/>的最大本征值的平方根，/>表示按位置点乘，/>表示矩阵乘法，且/>为优化后的所述优化增强原油多尺度特征图的沿通道维度的第/>个特征矩阵。
这里，所述增强原油多尺度特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定所述增强原油多尺度特征图的各个特征矩阵的流形的基维度，并沿所述增强原油多尺度特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵/>的遍历流形组成的所述增强原油多尺度特征图的高维特征流形的几何连续性，以提升其通过解码器进行解码回归得到的解码值的准确性。
更具体地，在步骤S133中，如图6所示，基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值，包括：S1331，将所述增强原油多尺度特征图通过第一解码器以得到第一解码值，所述第一解码值用于表示所述降粘剂用量估计值；以及，S1332，将所述增强原油多尺度特征图通过第二解码器以得到第二解码值，所述第二解码值用于表示所述氮气用量估计值。
值得一提的是，解码器（Decoder）是神经网络中的一部分，用于将高维的特征表示映射回原始输入空间，从而实现对输入数据的重建或生成，在图像处理任务中，解码器的作用是从抽象的特征表示中恢复出原始图像的细节和结构。在基于优化增强原油多尺度特征图的降粘剂用量和氮气用量估计中，使用了两个解码器：第一解码器和第二解码器。第一解码器将增强原油多尺度特征图作为输入，通过反卷积和上采样等操作，将特征图恢复为与原始图像相同尺寸的解码值，这个第一解码值表示了降粘剂用量的估计值，可以用来衡量原油中降粘剂的浓度或含量。第二解码器也使用增强原油多尺度特征图作为输入，但它可能采用不同的解码策略和参数设置，它的输出是另一个解码值，用于表示氮气用量的估计值，这个第二解码值可以用来估计原油中氮气的浓度或含量。通过使用不同的解码器，可以同时估计降粘剂用量和氮气用量，从而实现对原油中不同成分的估计和分析，这样的估计结果可以用于优化原油处理过程，提高生产效率和质量控制。
综上，基于本公开实施例的采油井氮气前置增能降粘增产方法，其可以基于原油性质分析来估计需要使用多少降粘剂，以及，氮气用量。
图7示出根据本公开的实施例的采油井氮气前置增能降粘增产系统100的框图。如图7所示，根据本公开实施例的采油井氮气前置增能降粘增产系统100，包括：图像获取模块110，用于获取由摄像头采集的近井地带原油的原油拍摄图像；图像特征提取模块120，用于对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图；以及，估计值确定模块130，用于基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值。
这里，本领域技术人员可以理解，上述采油井氮气前置增能降粘增产系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的采油井氮气前置增能降粘增产方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本公开实施例的采油井氮气前置增能降粘增产系统100可以实现在各种无线终端中，例如具有采油井氮气前置增能降粘增产算法的服务器等。在一种可能的实现方式中，根据本公开实施例的采油井氮气前置增能降粘增产系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该采油井氮气前置增能降粘增产系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该采油井氮气前置增能降粘增产系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该采油井氮气前置增能降粘增产系统100与该无线终端也可以是分立的设备，并且该采油井氮气前置增能降粘增产系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图8示出根据本公开的实施例的采油井氮气前置增能降粘增产方法的应用场景图。如图8所示，在该应用场景中，首先，获取由摄像头采集的近井地带原油的原油拍摄图像（例如，图8中所示意的D），然后，将所述原油拍摄图像输入至部署有采油井氮气前置增能降粘增产算法的服务器中（例如，图8中所示意的S），其中，所述服务器能够使用所述采油井氮气前置增能降粘增产算法对所述原油拍摄图像进行处理以得到用于表示所述降粘剂用量估计值的第一解码值，以及，用于表示所述氮气用量估计值的第二解码值。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器，上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (1)

1.一种采油井氮气前置增能降粘增产方法，其特征在于，包括：
获取由摄像头采集的近井地带原油的原油拍摄图像；
对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图；以及
基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值；
其中，对所述原油拍摄图像进行图像特征提取以得到原油多尺度特征图，包括：
对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像；以及
对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图；
其中，对所述原油拍摄图像进行图像预处理操作以得到增强原油拍摄图像，包括：
对所述原油拍摄图像进行双边滤波以得到所述增强原油拍摄图像；
其中，对所述增强原油拍摄图像进行多尺度原油特征提取以得到所述原油多尺度特征图，包括：
将所述增强原油拍摄图像通过基于第一卷积神经网络模型的原油浅层特征提取器以得到原油浅层特征图；
将所述原油浅层特征图通过基于第二卷积神经网络模型的原油深层特征提取器以得到原油深层特征图；以及
融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图；
其中，融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图，包括：
使用残差思想来融合所述原油浅层特征图和所述原油深层特征图以得到所述原油多尺度特征图；
其中，基于所述原油多尺度特征图，确定降粘剂用量估计值和氮气用量估计值，包括：
将所述原油多尺度特征图通过通道注意力模块以得到增强原油多尺度特征图；
对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图；以及
基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值；
其中，对所述增强原油多尺度特征图进行特征分布优化以得到优化增强原油多尺度特征图，包括：
以如下优化公式对所述增强原油多尺度特征图进行特征分布优化以得到所述优化增强原油多尺度特征图；
其中，所述优化公式为：
，
其中，为所述增强原油多尺度特征图的沿通道维度的第/>个特征矩阵，和/>分别为基于所述增强原油多尺度特征图的各个特征矩阵的全局均值组成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，/>表示按位置点乘，/>表示矩阵乘法，且/>为优化后的所述优化增强原油多尺度特征图的沿通道维度的第/>个特征矩阵；
其中，基于所述优化增强原油多尺度特征图，确定所述降粘剂用量估计值和所述氮气用量估计值，包括：
将所述增强原油多尺度特征图通过第一解码器以得到第一解码值，所述第一解码值用于表示所述降粘剂用量估计值；以及
将所述增强原油多尺度特征图通过第二解码器以得到第二解码值，所述第二解码值用于表示所述氮气用量估计值。
CN202310917475.6A 2023-07-25 2023-07-25 采油井氮气前置增能降粘增产方法 Active CN116630081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310917475.6A CN116630081B (zh) 2023-07-25 2023-07-25 采油井氮气前置增能降粘增产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310917475.6A CN116630081B (zh) 2023-07-25 2023-07-25 采油井氮气前置增能降粘增产方法

Publications (2)

Publication Number Publication Date
CN116630081A CN116630081A (zh) 2023-08-22
CN116630081B true CN116630081B (zh) 2023-09-29

Family

ID=87613858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310917475.6A Active CN116630081B (zh) 2023-07-25 2023-07-25 采油井氮气前置增能降粘增产方法

Country Status (1)

Country Link
CN (1) CN116630081B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117217393B (zh) * 2023-11-08 2024-01-26 新疆智能港环保科技有限公司 一种通过渗析扩容提高油气井产量检测修正系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104153769A (zh) * 2014-07-04 2014-11-19 中国石油大学(北京) 一种缝洞型油藏流动单元的划分及评价方法
CN105134151A (zh) * 2015-08-21 2015-12-09 山东恒业石油新技术应用有限公司 热氮气增能降粘增产工艺
CN107219322A (zh) * 2017-05-25 2017-09-29 浙江海洋大学 动态测定co2‑原油作用生成沥青质沉淀量的方法
CN113323636A (zh) * 2021-05-19 2021-08-31 中国石油化工股份有限公司 一种用于复合控水增油的氮气注入量确定方法及采油方法
CN115115852A (zh) * 2022-06-02 2022-09-27 中海石油（中国）有限公司天津分公司 一种基于壁心荧光图像灰度值的地面原油粘度预测方法
CN115204456A (zh) * 2022-05-27 2022-10-18 陕西科技大学 一种基于油藏驱替刻蚀图像的驱油率预测方法
CN115808417A (zh) * 2021-09-14 2023-03-17 中国石油化工股份有限公司 一种基于图像处理分析技术的油包水乳状液可视化定量分析方法
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统
CN116259012A (zh) * 2023-05-16 2023-06-13 新疆克拉玛依市荣昌有限责任公司 嵌入式增压柴油罐的监测系统及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7187099B2 (ja) * 2017-09-15 2022-12-12 サウジ アラビアン オイル カンパニー ニューラルネットワークを用いて炭化水素貯留層の石油物理特性を推測すること

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104153769A (zh) * 2014-07-04 2014-11-19 中国石油大学(北京) 一种缝洞型油藏流动单元的划分及评价方法
CN105134151A (zh) * 2015-08-21 2015-12-09 山东恒业石油新技术应用有限公司 热氮气增能降粘增产工艺
CN107219322A (zh) * 2017-05-25 2017-09-29 浙江海洋大学 动态测定co2‑原油作用生成沥青质沉淀量的方法
CN113323636A (zh) * 2021-05-19 2021-08-31 中国石油化工股份有限公司 一种用于复合控水增油的氮气注入量确定方法及采油方法
CN115808417A (zh) * 2021-09-14 2023-03-17 中国石油化工股份有限公司 一种基于图像处理分析技术的油包水乳状液可视化定量分析方法
CN115204456A (zh) * 2022-05-27 2022-10-18 陕西科技大学 一种基于油藏驱替刻蚀图像的驱油率预测方法
CN115115852A (zh) * 2022-06-02 2022-09-27 中海石油（中国）有限公司天津分公司 一种基于壁心荧光图像灰度值的地面原油粘度预测方法
CN115818166A (zh) * 2022-11-15 2023-03-21 华能伊敏煤电有限责任公司 轮斗连续系统无人值守自动控制方法及其系统
CN116259012A (zh) * 2023-05-16 2023-06-13 新疆克拉玛依市荣昌有限责任公司 嵌入式增压柴油罐的监测系统及其方法

Also Published As

Publication number Publication date
CN116630081A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
Yu et al. Fast-mvsnet: Sparse-to-dense multi-view stereo with learned propagation and gauss-newton refinement
Li et al. Non-locally enhanced encoder-decoder network for single image de-raining
CN116630081B (zh) 采油井氮气前置增能降粘增产方法
CN110163246A (zh) 基于卷积神经网络的单目光场图像无监督深度估计方法
Yang et al. Color-guided depth recovery from RGB-D data using an adaptive autoregressive model
Zhao et al. History matching of multi-facies channelized reservoirs using ES-MDA with common basis DCT
US20220351403A1 (en) Geological feature detection using generative adversarial neural networks
CN109859120B (zh) 基于多尺度残差网络的图像去雾方法
AU2020343900A1 (en) System and method for seismic imaging of subsurface volumes including complex geology
Hu et al. A multi-stage underwater image aesthetic enhancement algorithm based on a generative adversarial network
CN111681198A (zh) 一种形态学属性滤波多模融合成像方法、系统及介质
Li et al. Real‐Time Visualization System for Deep‐Sea Surveying
O'Byrne et al. A stereo‐matching technique for recovering 3D information from underwater inspection imagery
CN109064402B (zh) 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法
Tawfik et al. Comparative study of traditional and deep-learning denoising approaches for image-based petrophysical characterization of porous media
Legleiter et al. The toolbox for river velocimetry using images from aircraft (TRiVIA)
Thapa et al. Learning to remove refractive distortions from underwater images
Lu et al. CNN‐Enabled Visibility Enhancement Framework for Vessel Detection under Haze Environment
Nadernejad et al. Using anisotropic diffusion equations in pixon domain for image de-noising
Lee et al. Integrating wavelet transformation with Markov random field analysis for the depth estimation of light‐field images
Zhu et al. Efficient stereo matching based on pervasive guided image filtering
CN114463597A (zh) 基于编码与解码网络的桥梁裂缝检测方法、系统及介质
Shuai et al. Depth recovery from a single defocused image based on depth locally consistency
Derfoul et al. Image processing tools for better incorporation of 4D seismic data into reservoir models
Haque et al. Robust feature-preserving denoising of 3D point clouds

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zang Qiang

Inventor after: Yang Gang

Inventor after: Lu Zhimin

Inventor after: Fang He

Inventor after: Lu Xuehui

Inventor after: Zhou Longyue

Inventor before: Zang Qiang

Inventor before: Yang Gang

Inventor before: Lu Zhimin

Inventor before: Fang He

Inventor before: Lu Xuehui

Inventor before: Zhou Longyue

Inventor before: Shi Yongxiang

Inventor before: Halheng tursong

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240110

Address after: Room 2, No. 26-8-234, Shengli Road, Karamay District, Karamay City, Xinjiang Uygur Autonomous Region 834000

Patentee after: Xinjiang Huayi Energy Development Co.,Ltd.

Patentee after: Xinjiang Oilfield Heiyoushan Co.,Ltd.

Address before: Room 2, No. 26-8-234, Shengli Road, Karamay District, Karamay City, Xinjiang Uygur Autonomous Region 834000

Patentee before: Xinjiang Huayi Energy Development Co.,Ltd.